该研究论文讨论了谱聚类算法在大型随机分布数据集上的表现，提供了一种能够找到数据集潜在密度规律的谱聚类算法，并通过引入 Cheeger-Buser 不等式为所有随机分布提供新的支持。

May, 2023

该研究提出了一种基于凸优化的算法，可以在低维度空间中进行流形学习和聚类，相比于传统方法，该算法获得了更有结构的聚类结果并取得了很好的性能表现。

Nov, 2014

本文提出了基于稀疏正则化的稀疏谱聚类方法 (SSC)，并提出了基于凸放射包络的凸 SSC 模型，使其可以高效地使用交替方向乘法更新。最后，我们将 SSC 扩展到多视角信息下，提出了成对稀疏谱聚类 (PSSC)，并通过在多个真实数据集上进行实验对我们提出的方法进行了证明。

Nov, 2015

我们引入了一种能够很好地将约束引入到半定谱聚类的新框架，通过扩展半定谱聚类的能力来捕捉复杂的数据结构，以更有效地解决现实世界中的聚类挑战。此框架在各种真实数据集和学习场景中展示了超越现有光谱聚类方法的优越性，为处理复杂聚类问题提供了一种多功能工具。

Apr, 2024

本篇论文提出了一种基于边缘的多极谱聚类方法，并将其应用于谱聚类问题的松弛和圆整方面的统一分析，为现有算法的分析提供了指导，并介绍了谱聚类与多个统计学主题的联系，包括最小方差聚类、匹配分析和高斯内在自回归。

Feb, 2011

我们提出了一个基于谱聚类和分布相似度度量（如最大均值差异和 Wasserstein 距离）的简单而有效的框架用于离散分布聚类，并通过使用线性最优输运在大规模数据集上高效地构建相似矩阵，得到了较高的聚类准确率和计算效率。

Jan, 2024

该论文介绍了谱聚类算法和图拉普拉斯的基本性质，推导了不同的谱聚类算法，比较了它们之间的优缺点。

Nov, 2007

本文研究了一种基于局部线性逼近残差的高阶谱聚类方法，考虑了聚类过程中的数据噪声和异常值问题，并在实验中验证了该算法具有更好的聚类效果。

Jan, 2010

该研究提出了一种基于交替方向乘子法 (ADMM) 的非凸稀疏谱聚类算法，直接对 $UU^ op$ 施加稀疏正则化，该算法具有收敛保证和高效性，实验结果验证了其有效性。

Dec, 2017

本文提出了一种基于稀疏图的归一化割方法，该方法通过添加颜色节点至简单的网格图中对图像进行分割，实验结果表明该方法在图像分割方面表现优于传统的光谱算法。

Jun, 2023